什么是散点图，为什么要使用它？

A 散点图 是一个 图文并茂的介绍 的两个变量之间的关系。
可以用散点图来找出变量之间的相关性。
例如，从散点图中我们可以发现，一个人的身高和体重之间有某种关系。

散射关系被定义为：。

其中， \( X\) 代表自变量（身高或体重）， \( Y\) 代表因变量（身高或体重）。该 相关系数 两个变量之间，有时也被称为 r值.它可以被定义为两个变量都在同一方向（正数）或都在相反方向（负数）的配对比例。

虽然 散点图不是每个数据集都能画出来的。 有几个数据集应该使用散点图。

例子。

- 变量之间的关系在同一方向。
例如，当身高和体重一起增加时，或当债务和收入一起增加时。[见下图]

- 变量之间的关系在相反的方向，例如，当身高增加，体重减少。
[见下图]

为什么它对这些数据有效？

身高是独立于体重的，所以我们得到一个正相关系数（r = +0.177）。同样地，我们得到一个负相关系数（r = -0. 069），对于收入这个变量来说，它与零有显著的不同。

例子。 如果对某只股票有兴趣，并且该股票的价格上升，购买该股票的人数也会增加。这意味着我们可以利用这种影响来预测该股票的未来价格。这两个变量之间的相关性是+0.596，所以它表明有关变量之间存在正相关或高相关。

要想知道一只股票目前的价格，你需要知道它在过去已经上涨了多少。为了衡量这种上涨，我们使用一个叫做当前价值的数据点。但是为了预测未来的上涨（我们将使用这组数据来测试我们的模型），我们需要解决这个变量的过去值。

例子。 XYZ公司销售许多不同的产品。它通过提价销售的产品比通过提质销售的产品多（每次提质后销售额增加$5万以上）。同时，当产品的价格下降超过$5万时，销售额就会减少。

这种情况被用来说明一种趋势。当你预测未来的股票价格时，你应该考虑到这些趋势，例如，价格的上升或下降会有多少股票被卖出。这些趋势不容易分析，它们会随着时间的推移而变化（例如，当股票价格长期下跌时，一些投资者可能会对股票失去兴趣）。

什么 工具 用来制作散点图？

创建散点图不需要什么特别的东西，你所需要的只是每个变量的一对数值的列表。
为了找出两个变量之间的关系，你必须创建一个散点图，其中两个变量都用其自然值表示。两个变量的关系可以表达如下。

其中 \( X\) 和 \( Y\) 是变量（或这些变量的值）， \( a\) 和 \( b\) 是常数或系数。如果两个变量都是相互独立的，那么系数可以是0。

为了得到两个变量之间的散点关系，你需要收集所有形成完整散点图（在每个变量上放置两个点）的一对值（X\）和Y\）。然后，对于每一对数值，计算相关系数。

其中 \(r\)被定义为 \(a/b\)的比率。值（r=0.0\ll r\ll 1.0\），或者当两个变量都没有与另一个变量相连，它们的关系是 "中性 "的（这并不意味着它们完全不相关）。

结论。

散点图法是分析两个变量之间关系的一个有用工具。它被用来直观地显示两个变量之间的相关性，并了解它们之间的关系。要创建一个散点图，你需要得到两个变量的成对数值，并计算它们之间的相关系数。值（r\）给出了两个变量之间的相关程度，告诉我们存在什么样的关系。

* 散点图的考虑

• 相关系数为零并不意味着两个变量之间没有联系，而只是意味着它们之间的关系强度很弱。一般来说，两个变量之间的相关系数较高的方向是大于0.5（有一些情况下，会出现零相关的方向性趋势）。
• 这两个变量的相关性越高，我们用它们来预测两个变量的未来值就越有信心？总之，你需要看看这两个趋势是否一起大幅上升和下降。
• 术语 “显著的“ 在统计分析的背景下，意味着 相关性大于0.5，小于1.0.
• 在以下情况下 两个变量之间的关联性很高，在 相关系数（r）可能接近于1，但这并不意味着这种情况将在未来无限期地存在。
• 当你预测变量X和Y（=价格）时，正的和负的变化（换句话说，我们假设会有变化 （（X\）和（Y\）），但这些值？ 会随时间变化。
• 在多重相关计算的情况下，你可以看一下散点图（数据的图形图）来看透所有的变量。
• 如果散点图显示各变量之间没有关系，请考虑数据是否可能被分层。
• 当相关度很高时（接近1），你可以说两个变量都有很强的关系，它们的关系在散点图上几乎是线性的。
• 并非所有的数据集都适合将两个变量的图表可视化。
  不相关的趋势或不显示强烈趋势的数据（如正态分布）不适合用散点图进行可视化。